6-04　整数化してもほとんど認識率が落ちない！ 　第2部の目的は畳み込みニューラルネットワークをFPGAに実装することです。FPGAで小数の演算は行えないため、half_float_network.py内の変数をすべて「整数化」します。 ●入力画像データを整数化する 　まずは入力されるテスト画像を整数化します。リスト6-01のようにload_mnistの引数normalizeをTrueからFalseに変更すると、画像データはリスト6-02のように0〜255までの整数になります。 　リスト6-02のカッコ内は整数化する前の値です。これは(0.0〜1.0)の範囲が[0〜255]の範囲に写像されたことを意味します。 ●フィルタ係数とバイアスを整数化する 　またリスト6-03のようにフィルタの行列col_W、バイアスの配列self.bを256倍し（＊１）、型をintにするとそれらはリスト6-04のように整数になります。 （＊１）整数化後の絶対値を255以下に収めるために255.9を乗算している。またcol_Wは絶対値が1.0を超えるものがあるのでリミッタをかける 　リスト6-04のカッコ内は整数化する前の値です。(-1.0〜+1.0)の範囲が[-256〜+255]の範囲に写像されています。 ●積和演算の直後に8ビット右シフトさせる 　上述のように(-1.0〜+1.0)は整数化によって[-256〜+255]に写像されます。これはフィルタ係数やバイアスの値が整数化によって256倍になることを意味します。 　また入力画像データの値も整数化によって256倍になります。それはフィルタ係数と乗算されるので、その結果の値は65,536倍になってしまいます（図6-15）。バイアスの値は256倍のままなので、そのまま加算するとバイアスの影響力が1/256になってしまいます。したがってリスト6-05のように8ビット右シフトさせてからバイアスを加算します。 　　図6-15　乗算後ビットシフトが必要な理由 ●Reluの結果が255を超えないように飽和させる 　畳み込み1層目の入力画像のとり得る範囲は0〜255です。2層目以降の入力画像もこの範囲にとどまるよう、Reluの後にリミッタをかけます。リスト6-06のように最大255で飽和させます。 ●整数化した値をファイルに落とす 　リスト6-06のように変更するとテスト画像、フィルタ係数、バイアスをファイルに書き出すことができます。後々EXCELに貼り付けるのでCSVファイルでセーブします。 ●正解率はほとんど落ちていない！ 　図6-16は整数化したプログラムを実行した結果で、正解率（Accuracy）は0.9884（98.84％）になりました。整数化前は99.35％だったので0.5％ほどしか劣化していません！ 　またAffine: out of Conv以下はMNISTの最初の8枚の推論結果です。すべて正解、しかも相当余裕を持って正解していることが分かります。 　　図6-16　実行結果（整数で計算） 　次のページでは整数化した状態でEXCELに移植します。 次のページへ 目次へ戻る